★ 杭州德創電子股份有限公司 王九川，邵森森

關鍵詞：計算機視覺；電氣自動化；智能檢測；故障診斷

1   引言

電氣自動化系統是工業生產線、電力輸配網、樓宇智能控制等現代基礎設施的核心支撐，其穩定、可靠、安全運行直接關系到生產連續性、能源安全與人身安全。電氣系統的檢測與維護通常涵蓋開關狀態識別、儀表讀數記錄、連接點過熱預警、絕緣外觀檢查、環境異物入侵監測等內容，是一項要求持續、細致且高可靠性的工作[1]。傳統電氣檢測高度依賴人工定期巡檢與固定傳感器部署，人工巡檢存在效率低、主觀性強、難以覆蓋隱蔽缺陷、高危環境風險大等問題；而傳統傳感器通常為點式監測，覆蓋范圍有限，安裝布線復雜，且難以應對突發性外觀故障。隨著電氣系統規模擴大與復雜度提升，傳統檢測方式在實時性、精準性與經濟性方面面臨嚴峻挑戰。計算機視覺技術通過圖像與視頻分析，能夠實現對目標外觀、狀態、位置及行為的非接觸式、大范圍、高精度感知[2]。近年來，隨著深度學習算法、高性能計算芯片及工業相機技術的成熟，計算機視覺在工業質檢、安全監控、輔助駕駛等領域已取得顯著成效，為其在電氣自動化檢測領域的應用奠定了堅實技術基礎[3]。然而，電氣檢測場景具有強電磁干擾、光照條件多變、設備類型多樣、安全等級要求極高等特點，通用視覺檢測方案往往難以直接適用，亟需開展針對性的方法研究與系統化設計。本文旨在系統研究適用于電氣自動化環境的計算機視覺智能檢測方法，構建從圖像采集、處理分析到決策輸出的完整技術體系，并通過實際工程驗證其效能。

2   電氣自動化系統檢測分析

2.1   檢測對象與內容分類

電氣自動化系統檢測對象廣泛，按其功能與位置主要可分為以下幾大類，每類對應特定的檢測內容，如圖1所示。

圖1  電氣自動化系統主要檢測對象

配電與控制設備檢測的核心內容集中于運行狀態與基本完整性：包括開關的分合位置、指示燈的亮滅與顏色狀態、保護壓板的投退位置、各類儀表的準確讀數、柜內關鍵部位的溫度分布情況，以及元器件標識是否清晰、完整、合規。電力輸送設備的檢測重點在于其物理狀態與熱性能：包括外觀是否存在破損、積污、銹蝕或爬電痕跡；電氣接頭是否接觸不良導致局部過熱[4] ；油浸式設備的油位與油溫是否正常；有無可見的電暈或異常放電現象；以及絕緣材料是否存在老化、龜裂等劣化跡象。旋轉與驅動設備對其的檢測主要關注運行工況與機械狀態：包括外殼及軸承等關鍵點的表面溫度；運行時的振動幅度與模式是否異常；冷卻風扇是否正常運轉；以及設備銘牌信息是否齊全、清晰，便于識別與溯源。環境與輔助系統的檢測以安全與環境監控為導向：包括監控區域內是否有異物入侵、未經授權的人員闖入；早期火災特征如煙霧與明火的識別；是否存在漏水、積水或有害氣體泄漏；以及安全工具、消防器材是否按規定定點擺放，處于待用狀態。

2.2   現有檢測方法及其局限性

目前，電氣系統檢測主要依賴以下方式，各有其明顯的局限性。人工定期巡檢，依靠運維人員攜帶點溫儀、局放檢測儀等工具進行現場檢查與記錄。該方

法靈活性高，但存在效率低下、數據難以結構化、檢測質量依賴個人經驗、無法實現實時監控、高危環境人身風險大等問題。在線傳感器監測，在關鍵點安裝溫度、電流、振動、氣體等傳感器進行連續數據采集[5]。該方法能實現實時監控， 但屬于“點”監測， 覆蓋范圍有限，無法感知外觀變化，傳感器本身也存在故障、校準及通信維護成本等問題。無人機（Unmanned Aerial Vehicle， UAV）巡檢，主要用于輸電線路、變電站室外設備等大范圍場景，效率較高，但受天氣和空域管制影響大，圖像數據通常需后期人工判讀，實時性差，且對室內或柜內設備無效。傳統機器視覺，采用固定工業相機，通過閾值分割、邊緣檢測、模板匹配等算法進行簡單狀態識別， 魯棒性差， 對光照變化、視角偏移敏感，難以處理復雜缺陷識別任務。

2.3   相關技術標準與規范

電氣設備智能檢測系統的設計與實施需遵循一系列安全、可靠性與互操作性標準，主要涉及以下幾類，如表1所示：

表1 電氣設備智能檢測相關主要標準與規范

3   基于多級視覺檢測任務的智能檢測體系

3.1   多級視覺檢測任務的定義

為解決上述難點， 我們提出了一種結構化的多級視覺檢測任務體系。該體系將復雜的電氣設備檢測需求，分解為一系列層次分明、可復用性強的標準視覺任務，如表2所示。

表2 電氣設備多級視覺檢測任務體系

該任務體系的核心優勢在于每個任務相對獨立，便于開發、測試與優化。同類設備的“開關狀態識別”任務可使用相似算法框架，可根據需要增加新的檢測任務層級或內容，可針對每個任務定義明確的驗收標準與性能指標。

3.2   系統架構與實施流程

基于上述任務體系，我們設計了一套端到端的視覺智能檢測系統架構，其核心實施流程如圖2所示。

圖2 核心實施流程

4   應用與實踐

4.1   項目背景

在杭州某高新技術開發區的大型智能制造工廠中，我們選取其核心10kV變配電所及數十條自動化產線的電氣控制柜群作為試點，應用本文提出的視覺智能檢測體系。該區域設備價值高、連續運行要求嚴，傳統人工巡檢壓力大。項目共部署86臺固定式高清智能相機（部分帶紅外熱成像模塊）、5臺軌道式巡檢機器人，覆蓋總計超過200面高低壓柜及關鍵電纜橋架區域。

4.2   實踐過程與效果

項目實施周期為4個月，分為現場勘察與方案設計、設備安裝與調試、算法模型訓練與優化、系統聯調與試運行四個階段。

系統實現對全部覆蓋設備的每2小時一次自動巡檢，單次全場巡檢時間從人工所需的4～6人/天縮短至系統自動完成的1.5小時，巡檢覆蓋率達到100%，無遺漏死角。經過持續優化，系統對“開關狀態誤判”“儀表讀數誤差>±2%”“明顯表面銹蝕/裂紋”等關鍵任務的識別準確率均穩定在99%以上，高于經驗豐富的老師傅平均水平。系統在試運行期間， 成功預警3起柜內連接點輕微過熱、1起電纜溝輕微滲水、多起柜門未緊閉等潛在風險，均在發展為嚴重故障前得到處理。系統將運維人員從重復、枯燥的日常巡檢中解放出來，更多地投入到故障分析、預防性維護和設備優化工作中，預計每年可節省相關人工成本約30%，并顯著降低了因漏檢導致非計劃停機的風險損失。所有檢測圖像、結果與報警記錄均結構化存儲，形成寶貴的設備數字畫像與健康檔案，為后續的大數據分析、壽命預測和智能決策提供了數據基礎。

5   結果與討論

杭州示范項目的實踐結果充分表明，本文所研究的基于計算機視覺，特別是基于多級任務體系的智能檢測方法，能夠有效應對電氣自動化系統檢測的痛點，在提升檢測質量、效率和安全性方面取得了顯著成效。該方法通過將復雜問題模塊化、標準化，降低了技術落地門檻，提高了解決方案的可復制性。與傳統方法相比，該體系化方法帶來三方面根本性改進：一是從“被動響應”轉向“主動預警”，實現預測性維護的初步形態；二是從“經驗驅動”轉向“數據驅動”，使決策更具客觀性和科學性；三是從“孤島監控”轉向“系統聯動”，通過與企業現有信息系統集成，實現運維流程的閉環與優化。當然，該方法仍有持續改進空間。例如，在極端惡劣光照條件下的圖像質量保證、針對罕見缺陷的少樣本學習能力、算法模型在邊緣設備上的輕量化部署與即時更新等，都是下一步需要重點攻克的技術方向。此外，如何將視覺檢測結果與設備機理模型、物理仿真更深度地融合，以實現更精準的故障根因診斷與剩余壽命預測，是未來研究的重要趨勢。

作者簡介：

王九川（1987-），男，安徽靈璧人，中級工程師，學士，現就職于杭州德創電子股份有限公司，研究方向為電氣工程及其自動化。

參考文獻：

[1] 付銳, 姚丹. 基于計算機視覺的電氣自動化智能檢測方法研究[J]. 自動化與儀器儀表, 2024, (11) : 227 - 231.

[2] 王滿利, 竇澤亞, 蔡明哲, 等. 基于高分辨擴展金字塔的場景文本檢測[J]. 電子與信息學報, 2025, 47 (7) : 2334 - 2346.

[3] 季麗琴. 基于MFC和OpenCV的圖像顯示與圖像保存的實現[J]. 辦公自動化, 2023, 28 (8) : 64 - 66.

[4] 趙永波. 人工智能技術在電子工程自動化控制中的應用探討[J]. 智能城市應用, 2024, 7 (9) : 93 - 95.

[5] 張椿, 鄧風超, 王宗寶. 基于計算機視覺技術的采煤工作面電氣設備故障檢測系統研究[J]. 電氣技術與經濟, 2025, (2) : 137 - 139.

摘自《自動化博覽》2026年4月刊